CN108825386B - 一种近空间飞行器非高斯发动机的自修复控制方法 - Google Patents

一种近空间飞行器非高斯发动机的自修复控制方法 Download PDF

Info

Publication number
CN108825386B
CN108825386B CN201810971238.7A CN201810971238A CN108825386B CN 108825386 B CN108825386 B CN 108825386B CN 201810971238 A CN201810971238 A CN 201810971238A CN 108825386 B CN108825386 B CN 108825386B
Authority
CN
China
Prior art keywords
engine
self
faults
repairing
gaussian
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810971238.7A
Other languages
English (en)
Other versions
CN108825386A (zh
Inventor
胡开宇
陈复扬
程子安
贡景秀
牛娟
李宇清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810971238.7A priority Critical patent/CN108825386B/zh
Publication of CN108825386A publication Critical patent/CN108825386A/zh
Application granted granted Critical
Publication of CN108825386B publication Critical patent/CN108825386B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
    • F02C9/26—Control of fuel supply
    • F02C9/32—Control of fuel supply characterised by throttling of fuel

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明公开了一种近空间飞行器非高斯发动机的自修复控制方法，属于发动机控制领域。本发明通过采集统计生成尾焰物理参数的概率密度函数（PDF）代替对物理参数本身或泵阀位置的监测，建立发动机‑尾焰一体化模型并参考PDF的形状变化实现对发动机的自修复控制。针对发动机系统中出现的多种故障设计观测器检测全部故障，然后设计诊断算法估计故障值，最后在考虑参数不确定性的条件下设计保性能预测自修复控制器补偿故障的影响。本发明可大大提高控制方法的准确性和对多种故障的适应性。

Description

一种近空间飞行器非高斯发动机的自修复控制方法
技术领域
本发明涉及一种近空间飞行器非高斯发动机的自修复控制方法，属于发动机控制领域。
背景技术
自修复控制，是指在设计控制系统时，利用其控制机构本身的功能冗余，来提高发动机系统对其机构故障及损伤的适应性，使故障后的发动机不但能够幸存，而且仍可提供可靠动力。自修复控制的目的是解决发动机控制系统的可靠性和可维护性问题，降低寿命周期费用，同时也极大地提高发动机生存性。从修复时序来看，自修复控制主要有直接自修复控制和间接自修复控制两类。直接自修复控制不依赖于发动机故障或损伤的准确信息，重构在故障发生的第一时间内就发生作用。间接控制律重构方法的实施流程是，先进行故障检测和估计，得到故障类型和大小，然后重构自修复控制律进行修复。自修复控制是在多种控制理论基础上发展起来的一门综合性控制技术，使得系统能够自行感知外部环境的变化，能够对自身的失效形式、故障等做出自动诊断，并以一种优化方式对环境变化响应，不断地自动调整自身的内部结构，实现检测、诊断、自愈、修补某些局部残损，最终达到预防或者减免故障。现如今，用于自修复控制设计的控制方法有很多，比如线性二次调节、特征结构配置、多模型切换控制、自适应控制、伪逆法、变结构以及模型跟随等。比较常用的智能自修复方法是模糊自适应方法,它依据系统的状态信息利用模糊规则在线更新控制律,保证系统稳定。
近空间飞行器具有战略价值，其发动机通常为组合循环推进系统，目前，组合循环吸气式推进系统有三种基本形式：空气增强火箭、基于涡轮的组合循环推进系统和火箭基组合循环推进系统。通过在部分轨道上升段使用涡轮发动机和空气中的氧，可以获得更高的平均比冲，在外太空使用火箭发动机，可以获得更高的推重比。组合循环推进系统通常将火箭助推器、涡轮和超燃冲压发动机组合在一起，有机地组合了高推重比、低比冲的火箭发动机和低推重比、高比冲的吸气式发动机，促使二者扬长避短，成功实现了航天推进的高效性和经济性的最佳组合；同时该推进系统可以降低费用，增加系统的安全性。迄今为止，美国、日本、俄罗斯和欧盟等国家和地区纷纷开展了进空间飞行器发动机的研究工作，均取得了一定的成果。
作为控制系统理论的一个分支，随机分布控制(SDC)是王宏教授在2000年左右提出的。SDC系统是指系统的输出为PDF而非普通输出向量的一种系统。SDC系统中研究最广泛的是对输出概率密度函数(PDF)的跟踪控制，PDF跟踪控制是指在控制器的作用下，使系统输出PDF跟踪给定期望PDF。SDC系统在工程环境中有广泛应用，如造纸工业过程，磨矿过程，火焰燃烧过程等。高斯分布可以通过PDF的均值和方差唯一确定，然而很多工业过程随机变量不一定服从高斯分布，这类系统为非高斯SDC系统。非高斯SDC系统更具有一般性，有更广阔的应用前景。对近空间飞行器发动机用非高斯随机分布模型建模就是源于工程上尾焰物理参数PDF监测，使发动机-尾焰一体化健康监测与自修复控制得以实现。用PDF代替均值和方差，可显示更多发动机工作信息。
发明内容
本发明提出了一种近空间飞行器非高斯发动机的自修复控制方法，利用非高斯随机系统对PDF的生成方法建立发动机-尾焰一体化模型，并利用模糊自适应和非脆弱保性能模型预测方法针对执行器时序组合故障和参数不确定性进行自修复控制，最终使近空间发动机能完成对多种故障的间接自修复。
本发明为了解决上述技术问题采用以下技术方案：
一种近空间飞行器非高斯发动机的自修复控制方法，包括如下步骤：首先针对近空间飞行器发动机特性建立控制系统模型，依据对发动机尾焰参数的统计特性用线性径向基神经网络差值生成尾焰非高斯PDF，然后针对于时间轴依次同可能性发生在执行器上的多种类型故障设计发动机系统的故障诊断观测器估计故障值，最后在考虑参数不确定性的条件下设计发动机保性能预测自修复控制器。
所述针对近空间飞行器发动机特性建立的控制系统模型简化为二阶系统形式：
其中，
Figure BDA0001776250840000032
是系数，ψ0是阀门控制输入，ψ是阀门开度输出，
Figure BDA0001776250840000033
是阀门开合速度，
Figure BDA0001776250840000034
是阀门开合加速度；
发动机的泵和阀门均是由电机驱动，同时考虑二者及二者的互相影响，转化为状态方程得下式，
Figure BDA0001776250840000035
其中，Lψ，Vψ是阀门的位置和速度函数，ψ1和ψ2是泵和阀门的控制输入，a11，a12，a21，a22为状态矩阵系数b11，b12，b21，b22为控制输入矩阵系数；
令：
Figure BDA0001776250840000036
简化后的方程为：
x(k+1)＝Ax(k)+Bu(k)。
所述在线性径向基神经网络差值生成尾焰非高斯PDF过程中，取R1(y)，...，Rn(y)为径向基函数，y为尾焰物理参数的测量值，ω1(k),...,ωn(k)为权值函数。
所述于时间轴依次可能性发生在执行器上的多种类型故障包括微小故障f1(k)，间歇故障f2(k)和阶跃故障f3(k)，以及这三者相加组成的跳变永久故障f1(k)+f2(k)+f3(k)；前述四种故障的组合构成组合故障fcom(k)，表达式如下：
Figure BDA0001776250840000037
微小故障和间歇故障的定义如下：
||f1(k)/x(k)||≤10％
其中，x(k)为阀门速度和位置组合成的状态向量函数，||·||是二阶范数；
带有两个故障窗口的间歇故障定义如下：
Figure BDA0001776250840000041
其中，
Figure BDA0001776250840000042
是非零常值，k1，k2，k3，k4是离散时间点。
所述发动机系统的故障诊断观测器设计如下：
Figure BDA0001776250840000043
其中是诊断观测器的状态向量，为离散状态向量的导数观测值，为权值向量观测值，γ(y,u(k))为尾焰概率密度函数，为尾焰概率密度函数观测值，u(k)为控制输入向量，hi(ξ(k))为模糊隶属度函数，ξ(k)为预设前提变量函数，Ai为状态参数矩阵，Bi为输入参数矩阵，Ci为输入参数矩阵，Di为权值参数矩阵，Ri(y)和Li(y)为径向基函数向量，y为直接采集到的尾焰物理参数，▽是不确定矩阵，维度与状态参数矩阵相同，ε(k)是残差，σ(y)是在[a,b]上预先定义的权值矩阵，Γ1i,Γ2i是预先定义的适维矩阵，
Figure BDA0001776250840000048
为组合故障的观测值，
Figure BDA0001776250840000049
为离散条件下组合故障当前采样时刻前一时刻的观测值。
所述发动机保性能预测自修复控制器如下：
Figure BDA0001776250840000051
其中，
Figure BDA0001776250840000052
是保性能调节参数矩阵，
Figure BDA0001776250840000053
是模型预测参数矩阵，▽4是一个等效不确定项，
Figure BDA0001776250840000054
是与发动机状态和输入有关的函数，hi(ξ(k))为模糊隶属度函数，ξ(k)为预设前提变量，u(k-1)为控制输入向量前一个采样时刻的值，q为模糊工作模态个数。
本发明的有益效果如下：
(1)本发明可以解决具有多种故障和不确定性的高超声速飞行器发动机自修复问题，使发动机在故障和不确定情况下稳定。
(2)本发明在传统高超声速飞行器发动机模型基础上引入非高斯随机分布模型，可对发动机与尾焰进行一体化建模描述，参考尾焰物理量(温度、速度)统计规律即PDF形状的变化，判断最终自修复的效果。
(3)由于PDF显示了更多系统信息，据此设计自修复算法更精确，因而可适用于不确定条件下的不同种类故障，满足对发动机的高可靠性要求。
附图说明
图1为本发明中控制方案的方框图。
图2(a)是微小故障的估计结果；
图2(b)是微小故障的自修复结果；
图2(c)是常值故障的估计结果；
图2(d)常值故障的自修复结果；
图2(e)是间歇故障的估计结果；
图2(f)是间歇故障在时间点300时的自修复结果；
图2(g)是间歇故障在时间点550时的自修复结果。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1是控制框图，试车中采集尾焰温羽流速度(Vin)，计算获得的理想PDF(γg)与工作中事实采集的输出PDF(γ)作对比，差值作为自修复控制器的输入。控制器参考观测器对故障的估计
Figure BDA0001776250840000061
和差值输入输出算法(u)以控制阀门电机的旋转，进而补偿组合故障(fcom)的影响。传感器监测尾焰采集反应修复效果的数据(Vout)并上传至计算机以得出PDF继续循环对比。
图2是本方法的实验结果。图2(a)中横坐标表示时间，纵坐标表示发动机阀门开度偏差即故障,图2(c)中横坐标表示时间，纵坐标表示发动机阀门开度偏差即故障，图2(e)中横坐标表示时间，纵坐标表示发动机阀门开度偏差即故障；图2(b)中横坐标表示羽流速度，纵坐标是PDF，初值，期望值和理想值均有标注,图2(d)中横坐标表示羽流速度，纵坐标是PDF，初值，期望值和理想值均有标注,图2(f)中横坐标表示羽流速度，纵坐标是PDF，初值，期望值和理想值均有标注，图2(g)中横坐标表示羽流速度，纵坐标是PDF，初值，期望值和理想值均有标注。
实施此近空间飞行器非高斯发动机自修复控制方法的步骤如下：
步骤1.使用传感器阵列或红外探测仪阵列装置采集尾焰羽流速度，用CPU(中央处理器)统计计算出发动机无故障时的PDF形状。
步骤2.参考特定工况的近空间飞行器发动机选取T-S模糊规则，以阀门开度作为模糊规则前提变量，设计诊断算法的自适应学习率。
步骤3.针对理想PDF形状选取有适当参数的RBF以及权值向量，并利用模糊规则用软件建立不同线性状态的RBF。
步骤4.在近空间飞行器工作时采集装置实时采集、计算机统计计算发动机尾焰羽流速度PDF，选取适当RBF权值向量用软件拟合实际PDF并计算理想PDF与实际PDF的偏差。
步骤5.结合步骤2--4，针对发动机工作机理与故障特点设计故障的自适应诊断算法并用软件实现。
步骤6.在步骤5的基础上设计保性能预测自修复算法，针对不确定性特点选取对应保性能参数，最后用软件实现。

Claims (5)

1.一种近空间飞行器非高斯发动机的自修复控制方法，包括如下步骤：首先针对近空间飞行器发动机特性建立控制系统模型，依据对发动机尾焰参数的统计特性用线性径向基神经网络差值生成尾焰非高斯PDF，然后针对于时间轴依次同可能性发生在执行器上的多种类型故障设计发动机系统的故障诊断观测器估计故障值，最后在考虑参数不确定性的条件下设计发动机保性能预测自修复控制器；其特征在于，所述针对近空间飞行器发动机特性建立的控制系统模型简化为二阶系统形式：
其中，
Figure FDA0002207825870000012
是系数，ψ0是阀门控制输入，ψ是阀门开度输出，
Figure FDA0002207825870000013
是阀门开合速度，
Figure FDA0002207825870000014
是阀门开合加速度；
发动机的泵和阀门均是由电机驱动，同时考虑二者及二者的互相影响，转化为状态方程得下式，
Figure FDA0002207825870000015
其中，Lψ，Vψ是阀门的位置和速度函数，k是离散采样时刻,ψ1和ψ2是泵和阀门的控制输入，a11，a12，a21，a22为状态矩阵系数b11，b12，b21，b22为控制输入矩阵系数；
令：
Figure FDA0002207825870000016
x＝[Lψ Vψ]T，u＝[ψ1 ψ2]T，
简化后的方程为：
x(k+1)＝Ax(k)+Bu(k)。
2.根据权利要求1所述的一种近空间飞行器非高斯发动机的自修复控制方法，其特征在于：所述用线性径向基神经网络差值生成尾焰非高斯PDF过程中，取R1(y)，...，Rn(y)为径向基函数，y为尾焰物理参数的测量值，ω1(k),...,ωn(k)为权值函数。
3.根据权利要求1所述的一种近空间飞行器非高斯发动机的自修复控制方法，其特征在于：所述于时间轴依次可能性发生在执行器上的多种类型故障包括微小故障f1(k)，间歇故障f2(k)和阶跃故障f3(k)，以及这三者相加组成的跳变永久故障f1(k)+f2(k)+f3(k)；四种故障的组合构成组合故障fcom(k)，表达式如下：
Figure FDA0002207825870000021
微小故障和间歇故障的定义如下：
||f1(k)/x(k)||≤10％
其中，x(k)为阀门速度和位置组合成的状态向量函数，||·||是二阶范数；
带有两个故障窗口的间歇故障定义如下：
其中，
Figure FDA0002207825870000023
和
Figure FDA0002207825870000024
是非零常值，k1，k2，k3，k4是离散时间点。
4.根据权利要求1所述的一种近空间飞行器非高斯发动机的自修复控制方法，其特征在于：所述发动机系统的故障诊断观测器设计如下：
Figure FDA0002207825870000026
Figure FDA0002207825870000027
Figure FDA0002207825870000028
Figure FDA0002207825870000029
其中
Figure FDA00022078258700000210
是诊断观测器的状态向量，
Figure FDA00022078258700000211
为离散状态向量的导数观测值，
Figure FDA00022078258700000212
为权值向量观测值，γ(y,u(k))为尾焰概率密度函数，
Figure FDA00022078258700000213
为尾焰概率密度函数观测值，u(k)为控制输入向量，hi(ξ(k))为模糊隶属度函数，ξ(k)为预设前提变量函数，Ai为状态参数矩阵，Bi为输入参数矩阵，Ci为输入参数矩阵，Di为权值参数矩阵，Ri(y)和Li(y)为径向基函数向量，y为直接采集到的尾焰物理参数，
Figure FDA0002207825870000031
是不确定矩阵，维度与状态参数矩阵相同，ε(k)是残差，σ(y)是在[a,b]上预先定义的权值矩阵，Γ1i,Γ2i是预先定义的适维矩阵，
Figure FDA0002207825870000032
为组合故障的观测值，
Figure FDA0002207825870000033
为离散条件下组合故障当前采样时刻前一时刻的观测值。
5.根据权利要求1所述的一种近空间飞行器非高斯发动机的自修复控制方法，其特征在于：所述发动机保性能预测自修复控制器如下：
Figure FDA0002207825870000034
其中，u(k)为控制输入向量，
Figure FDA0002207825870000035
和
Figure FDA0002207825870000036
是保性能调节参数矩阵，
Figure FDA0002207825870000037
是模型预测参数矩阵，是一个等效不确定项，
Figure FDA0002207825870000039
是与发动机状态和输入有关的函数，hi(ξ(k))为模糊隶属度函数，ξ(k)为预设前提变量，u(k-1)为控制输入向量前一个采样时刻的值，q为模糊工作模态个数。
CN201810971238.7A 2018-08-24 2018-08-24 一种近空间飞行器非高斯发动机的自修复控制方法 Expired - Fee Related CN108825386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810971238.7A CN108825386B (zh) 2018-08-24 2018-08-24 一种近空间飞行器非高斯发动机的自修复控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810971238.7A CN108825386B (zh) 2018-08-24 2018-08-24 一种近空间飞行器非高斯发动机的自修复控制方法

Publications (2)

Publication Number Publication Date
CN108825386A CN108825386A (zh) 2018-11-16
CN108825386B true CN108825386B (zh) 2020-01-10

Family

ID=64151422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810971238.7A Expired - Fee Related CN108825386B (zh) 2018-08-24 2018-08-24 一种近空间飞行器非高斯发动机的自修复控制方法

Country Status (1)

Country Link
CN (1) CN108825386B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111007720A (zh) * 2019-12-11 2020-04-14 南京航空航天大学 高超声速飞行器多传感器故障的非线性自愈合控制方法
CN111045441B (zh) * 2019-12-19 2022-04-08 南京航空航天大学 一种高超声速飞行器传感器复合故障自愈合控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288412A (zh) * 2011-05-04 2011-12-21 哈尔滨工业大学 基于损伤基线的航空发动机硬件损伤分析与寿命预测方法
CN104238357A (zh) * 2014-08-21 2014-12-24 南京航空航天大学 一种近空间飞行器的容错滑模控制方法
CN108334704A (zh) * 2018-02-09 2018-07-27 南京航空航天大学 基于自适应密度峰值-混合概率建模的结构损伤监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288412A (zh) * 2011-05-04 2011-12-21 哈尔滨工业大学 基于损伤基线的航空发动机硬件损伤分析与寿命预测方法
CN104238357A (zh) * 2014-08-21 2014-12-24 南京航空航天大学 一种近空间飞行器的容错滑模控制方法
CN108334704A (zh) * 2018-02-09 2018-07-27 南京航空航天大学 基于自适应密度峰值-混合概率建模的结构损伤监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
随机分布系统的神经保性能控制器设计;屈毅等;《计算机集成制造系统》;20121130;第18卷(第11期);第2515-2521页 *

Also Published As

Publication number Publication date
CN108825386A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
Tayarani-Bathaie et al. Dynamic neural network-based fault diagnosis of gas turbine engines
Liu et al. A hybrid method of remaining useful life prediction for aircraft auxiliary power unit
Zhou et al. A novel grey prognostic model based on Markov process and grey incidence analysis for energy conversion equipment degradation
CN103472820B (zh) 一种基于偏最小二乘算法的推进系统故障诊断方法
Kordestani et al. A new hybrid fault prognosis method for MFS systems based on distributed neural networks and recursive bayesian algorithm
Xu et al. Improved hybrid modeling method with input and output self-tuning for gas turbine engine
CN108825386B (zh) 一种近空间飞行器非高斯发动机的自修复控制方法
Rahimi et al. Fault isolation of reaction wheels for satellite attitude control
Zhao et al. Model-based fault diagnosis methods for systems with stochastic process–a survey
CN111275164A (zh) 一种水下机器人推进系统故障的诊断方法
Kong Review on advanced health monitoring methods for aero gas turbines using model based methods and artificial intelligent methods
Zhou et al. A novel compound fault-tolerant method based on online sequential extreme learning machine with cycle reservoir for turbofan engine direct thrust control
Kordestani et al. An overview of the state of the art in aircraft prognostic and health management strategies
Liu et al. A digital twin modeling method for turbofan engine real-time test data analysis and performance monitoring
Xu et al. An adaptive on-board real-time model with residual online learning for gas turbine engines using adaptive memory online sequential extreme learning machine
Ullah et al. An investigation of exhaust gas temperature of aircraft engine using LSTM
Saluru et al. Fault tolerant model predictive control of a turbofan engine using C-MAPSS40k
de Beaulieu et al. Unsupervised remaining useful life prediction through long range health index estimation based on encoders-decoders
Qu et al. Fault detection method of Luojia1-01 satellite attitude control system based on supervised local linear embedding
Tang et al. A unified nonlinear adaptive approach for detection and isolation of engine faults
CN117170236A (zh) 基于逆强化学习的工业调速系统执行器故障智能自愈方法
Hong et al. Convnet-based remaining useful life prognosis of a turbofan engine
Eroglu et al. Deep recurrent and convolutional networks for accelerated fault tolerant adaptive flight control under severe failures
Costa Fuzzy fault detection and diagnosis
Cui et al. The integrated-servo-actuator degradation prognosis based on the physical model combined with data-driven approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200110